Rectified Flow
PulseAugur coverage of Rectified Flow — every cluster mentioning Rectified Flow across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的流匹配方法增强了用于设计和成像的生成模型 · 跟踪了 6 个来源
研究人员正在探索先进的流匹配技术，以增强用于逆向设计问题和图像生成的生成模型。条件流匹配 (CFM) 在工程逆向设计方面显示出潜力，在最优性差距和偏差等指标上优于扩散模型和条件 GAN。其他方法侧重于无训练精炼，例如使用发散信号来提高生成质量的流发散采样器 (FDS)，以及在冻结模型中迭代更新 Transformer 层以提高图像生成保真度的隐藏状态精炼技术。这些进展旨在提高从结构和热设计到文本到图像合成和 MRI 协调等任务的效率和准确性。
-
新研究为生成模型的流匹配提供了几何和基于残差的视角
两篇新研究论文探讨了生成模型流匹配技术的进展。第一篇论文《从分阶段几何角度看流匹配和无分类器引导的粒子动力学》为连续和离散采样提供了统一的几何理论，详细说明了轨迹如何被吸引以及引导如何重塑数据几何。第二篇论文《概率偏微分方程的残差增强流匹配算子》引入了一个通过关注表征低保真度和高保真度解之间差异的概率残差算子来学习具有潜在不确定性的代理模型的框架。Hugging Face 的相关分析从拉格朗日视角对流匹配进行了分析，从以粒子为中心的观…
-
新框架桥接图模型改进了生成式AI设计
研究人员引入了桥接图模型（BGMs）作为分析和改进连续时间生成模型的新框架。BGMs将端点耦合、桥接律和马尔可夫投影等设计选择解耦，为模型开发提供了更结构化的方法。一个关键概念是“马尔可夫化间隙”，它衡量了桥接到解码器的压缩中不可约的损失，并可以在训练前预测模型性能，已在CIFAR-10和Fashion-MNIST数据集上得到证明。
-
新方法可擦除 AI 图像生成模型中的不希望有的概念
研究人员开发了一种新的无微调概念擦除方法，用于多模态扩散 Transformer (MM-DiTs)，这是一种先进的文本到图像生成模型。该技术直接操纵模型的内部表示，特别是针对文本条件语义表示最突出的中间块。通过提取和引导这些表示，该方法以最小的开销有效地消除了不希望有的概念，并且无需重新训练模型，在概念擦除和控制生成输出方面展示了最先进的性能。
-
Signed Rectified Flow 实现负约束AI生成
研究人员推出了一种新颖的生成模型技术——Signed Rectified Flow (Signed RF)，它通过针对有符号测度来扩展Rectified Flow。该方法允许在抑制不需要的分布的同时促进期望的分布，为整合负面信息和排除约束提供了一种原则性的方法。Signed RF在ImageNet上的图像生成保真度和多样性方面有所提高，在反记忆测试中降低了相似性，并在Stable Diffusion 3.5中减少了不希望的内容生成，同…
-
FlowSonic 通过扩散变换器实现稳定的零样本音乐编辑
研究人员开发了 FlowSonic，一个使用经过修正流训练的扩散变换器进行零样本音乐编辑的新框架。该方法旨在平衡语义变化与保留录音的原始结构。FlowSonic 通过确定性地将录音反演到潜在空间，并通过交叉注意力表示来维护音乐结构，同时采用高阶 ODE 求解器来增强编辑过程中的数值稳定性和可靠性。
-
新的最优自蒸馏方法改进了生成模型训练
研究人员为流（RF）模型开发了一种称为最优自蒸馏（SD）的方法，旨在改进生成模型训练。该技术涉及在真实 RF 速度和次优教师速度的混合物上训练学生模型。该研究提供了一个理论框架，推导了一个最优混合系数和一个避免广泛网格搜索的验证程序。实验表明，与现有方法相比，这种最优自蒸馏提高了速度估计、模式恢复和生成准确性。
-
新研究推动了Rectified Flow和Flow Matching生成模型 · 跟踪10个来源
研究人员正在Rectified Flow (RF) 和 Flow Matching (FM) 生成模型的框架内探索新方法。一种方法，Self-Consistent Flow (SC-Flow)，统一了速度和端点预测，以稳定训练并提高生成质量。另一个研究领域侧重于理解和减轻RF模型中的记忆问题，并开发了新的指标来检测隐私风险。此外，还引入了Velocity Scheduled Flow Matching (VSFM) 等技术，通过在推理…
-
FlowUpscaler 为 Flux.2 提供快速的潜在图像放大
一种名为 FlowUpscaler 的新型潜在放大模型已被开发用于 Flux.2 及其 Klein 变体。该模型采用 Rectified Flow 方法，能够以仅 8 毫秒的速度将图像从 512x512 放大到 1024x1024。它通过流蒸馏模仿 Flux.2 轨迹进行训练，并提供 ComfyUI 节点以集成到现有工作流程中。
-
生成模型适配用于更快的有损压缩
研究人员开发了一种新颖的方法，将少步生成模型适配于有损压缩任务。通过利用反向信道编码（RCC）等框架，像Rectified Flow、Consistency Trajectory Models（CTM）和MeanFlow这样的模型可以被重新用作编解码器。这种方法可以缩短编码和解码时间，尤其是在低比特率场景下，并且无需重新训练模型即可提高真实感。
-
用户蒸馏流匹配模型以实现更快、无CFG的图像生成
一位用户开发了一种将流匹配模型蒸馏为“校正流”模型的方法，从而能够以更少的步骤且无需分类器自由引导（CFG）来更快地生成图像。此过程涉及在模型生成的图像-噪声对上对训练好的流匹配模型进行微调。该技术旨在缩短和拉直生成路径，可能允许更快的推理，并通过将其烘焙到模型中来消除对CFG的需求。
-
新GMF方法提升多模态融合可信度
研究人员开发了一种名为基于几何的多模态融合（GMF）的新方法，以提高结合来自多个来源数据的系统的可信度。与依赖模型自身置信度的现有方法不同，GMF通过测量潜在空间中所需的修正来评估数据可靠性。该方法使用扩散薛定谔桥传输来量化输入数据所需的调整量，即使模型自信地出错也能标记不可靠的输入。实验表明，与传统的基于置信度的基线相比，GMF在对抗传感器噪声和冲突数据方面显著增强了鲁棒性。
-
研究人员使用校正流而非扩散模型重新思考基于文本的分割
研究人员开发了RLFSeg，一个利用校正流进行基于文本的图像分割的新框架。该方法旨在通过学习从图像到分割掩码的直接映射来改进扩散模型，绕过了生成过程。据报道，该框架在零样本场景下实现了更高的准确性，并通过标签细化和自适应采样即使在单次推理步骤中也能提高性能。
-
LangPrecip 利用语言提高天气预报的准确性
研究人员开发了 LangPrecip，一个将气象文本与雷达数据相结合的短期降水临近预报新框架。这种语言感知方法将天气文本描述视为降水演变的语义约束，提高了预报的物理一致性。该方法已显示出显著的收益，在基准数据集上，在 80 分钟的预报时效内，强降雨 CSI 提高了 60% 以上。